استخراج بی‌ناظر ظرفیت فعل در زبان فارسی Unsupervised Persian Verb Valency Induction 1 1 ظرفیت کلیدی‌ترین مفهوم در دستور وابستگی است. از میان مقوله‌های واژگانی گوناگون، فعل‌ها دارای کلیدی‌ترین نقش در نحو و معنای جمله طبق دستور وابستگی هستند. فعل مرکزیت جمله را در دستور وابستگی بر عهده داشته و معنای اصلی جمله را در درون خود نهان می‌کند. در این مقاله با بررسی روش‌های مختلف استخراج بی‌ناظر ظرفیت فعل در زبان فارسی، مسائلی پیرامون یافتن فعل در متون زبانی و ابهامات موجود در شناخت ظرفیت فعل در زبان فارسی مطرح شده، راه حل‌هایی برای آن پیشنهاد شده است. طبق بررسی‌های موجود در این مقاله، الگوریتم امیدیابی-بیشینه‌سازی (EM) دارای بالاترین دقت موجود در روش‌های استخراج ساخت‌های ظرفیتی فعل در زبان فارسی است. دقت الگوریتم امیدیابی-بیشینه‌سازی در این کار بیش از 2 برابر آزمون فرض جمله‌ای بر اساس سنجۀ F شده است. 2 Valency is the key concept in dependency grammar. Among all word categories, verbs are the most important categories with a key role in syntax and semantics. Verb is the central role in a sentence and acts as the main semantic component in the dependency grammar. In this paper, after studying several methods for unsupervised discovery of Persian verb valency, the ambiguities are studied. Among all methods, EM gained the best results i.e. two time more F-score that binomial hypothesis testing 3 12 2013/06/6 1392/3/16 2013/08/25 1392/6/3 محمدصادق رسولی rasooli.ms@gmail.com بهروز مینایی بیدگلی Behrouz Minaei-Bidgoli دانشگاه علم و صنعت هشام فیلی Heshaam Faili دانشگاه تهران مریم امینیان Maryam Aminian دانشگاه صنعتی شریف Dependency grammar, verb valency, Persian language, unsupervised induction, EM algorithm دستور وابستگی، ظرفیت فعل، زبان فارسی، استخراج بی‌ناظر، الگوریتم امیدیابی-بیشینه‌سازی (EM) ## ##

بهسازی تصویر با کاهش اثر عوامل خرابی بر مولفه‌ی روشنایی و بازتابش تصویر 1 1 در این مقاله پیشنهاد جدیدی برای بهبود کیفیت تصویر ارائه شده است که در آن نگرش جدیدی در مورد چگونگی اعمال روش‌های بهسازی مطرح شده است. عملیات بهسازی تصویر ممکن است بر اساس روشنایی، وضوح و یا توزیع سطوح خاکستری انجام شود. هنگام تصویربرداری ویژگی‌هایی مانند شدت روشنایی صحنه و قابلیت بازتاب اجسام بر تصویری که بدست می‌آید، تاثیر می‌گذارند. اثر هریک از این ویژگی‌ها بر تصویر حاصل را می‌توان به عنوان یک مولفه یا تصویر جداگانه‌ای در نظر گرفت و به کمک فیلتر هومومورفیک که در آن تصویر اصلی به مولفه روشنایی و مولفه بازتابش تجزیه می‌شود ، مورد بررسی قرار داد. بطور کلی، پیکسل‌های یک تصویر به گونه‌ای مقدار می‌گیرند که متناسب با شدت روشنایی نقطه مربوط در صحنه و قابلیت بازتابش آن نقطه از جسم می‌باشند. بر این اساس خرابی یک تصویر ممکن است ناشی از هریک از مولفه‌های شدت روشنایی و یا قابلیت انعکاسی باشند. در این مقاله نشان داده می‌شود که انواع مختلف خرابی تصویر، روی مولفه‌ شدت روشنایی و مولفه بازتابش تصویر تاثیر متفاوتی می‌گذارند. بررسی‌ها نشان می‌دهند که تاثیر خرابی بر روی یک تصویر بسته به نوع خرابی روی یک مولفه‌‌ نسبت به مولفه‌ی دیگر بیشتر می‌باشد. برخلاف روشهای معمول که به ازای هر نوع خرابی، فرایند بهسازی و اصلاح را روی تصویر اصلی انجام می‌دهند، در این مقاله پیشنهاد می‌شود باتوجه به نوع خرابی، 13 22 2013/06/62013/06/6 1392/3/16 2013/08/252013/08/25 1392/6/3 حمید حسن پور h.hassanpour@shahroodut.ac.ir بهسازی تصویر، فیلتر همومورفیک، مولفه روشنائی، مولفه بازتابش ## ##

طراحی سامانه هوشمند ساخت هستان نگار به کمک شبکه عصبی ARTو روشC-value An Intelligent Ontology Construction System Using Hybrid ART Neural Network and C-value Method 1 1 در سالهای اخیر تلاشهای زیادی برای طراحی روشهای یادگیری و خودکار سازی فرایند ساخت هستان نگار انجام شده است. ساخت انواع هستان نگار برای انواع قلمروها و کاربردهای گوناگون فرایندی پرهزینه و زمان بر بوده و خودکارسازی این فرایند گامی مهمی در رفع مشکل اکتساب دانش در سامانه‍‌های اطلاعاتی و کاهش هزینه ساخت آنها است. در این مقاله روش نوینی برای یادگیری هوشمند هستان نگار ارائه شده که می توان از آن در کاربردها و حوزه‌های مختلف استفاده کرد. در این روش نیازی به وجود هستان نگارهای عمومی یا تخصصی اولیه و واژگان معنایی از پیش تعریف شده نیست و پایگاه دانش اولیه آن تنها شامل مجموعه‌ای از متون ورودی است. سامانه یادگیرنده پیشنهادی با شروع از متون ورودی و با استفاده از رهیافت پیشنهادی در این مقاله قادر خواهد بود هستان نگار حوزه‌های مختلف را استخراج کند. در این روش از ترکیبی از روشهای زبانی، آماری و روشهای یادگیری ماشینی بر اساس روش C-value،TF-IDF، شبکه عصبی نظریه تشدید وفقی و روش تحلیل هم رخدادی استفاده شده است؛ بدین ترتیب که ابتدا اسناد مرتبط با حوزه مورد نظر گردآوری شده است. سپس پردازشهای متون زبان طبیعی روی اسناد انجام شده و واژه‌های اصلی با استفاده از روش C-value استخراج شده است، آنگاه با استفاده از شبکه عصبی ART اسناد مربوطه خوشه‌ بندی شده و برای هر خوشه با محاسبه وزن واژه‌ها بر اساس روش TF-IDF، واژه کلیدی مناسب استخراج شده است. در پایان با استفاده از روش تحلیل هم رخدادی، سلسله مراتب مفاهیم استخراج شده و هستان نگار مربوطه ساخته شده است. نتایج حاصل شده نشان میدهند که این روش در مقایسه با روشهای مشابه دقت خوبی در یادگیری هستان نگار داشته است. 2 In recent years, many efforts have been done to design ontology learning methods and automate ontology construction process. The ontology construction process is a time-consuming and costly procedure for almost all domains/applications, so automating this process is a solution to overcome the knowledge acquisition bottleneck in information systems and reduce the construction cost. In this article a novel intelligent ontology learning method is proposed which can be used in many domains and applications. The proposed learning system has no need for initial common or specialized input ontologies or predefined semantic terms indeed, the initial database anonly consists of input texts sets. The proposed learning system could extract associated ontologies of various domains using combined methods. To do this, a combination of linguistic, statisticaland machine learning methods based on the C-value method, the TF-IDF one, the neural network, and co occurance analysis are applied. So, first domain-related documents were collected. Then natural language processing methods such as C-value method were implemented for extracting meaningful terms from documents. Next, ART (Adaptive Resonance Theory) neural network was used to cluster documents and associated weight of terms was calculated by TF–IDF method in order to find candidate keyword for each cluster. Finally, co-occurrence analysis was used to construct concept hierarchy and complete the ontology. Results show that the proposed ontology learning method has a high precision comparing to similar studies 23 36 2013/06/62013/06/62013/06/28 1392/4/7 2013/08/252013/08/252013/08/25 1392/6/3 غلامعلی منتظر montazer@modares.ac.ir مریم حورعلی Maryam Hourali تربیت مدر‌ّس houralimodares.ac.ir Ontology, ART Neural Network, TF-IDF, C-value هستان نگار، یادگیری، شبکه عصبی ART، فراوانی واژه‌ها-معکوس فراوانی اسناد (TF-IDF)، C-value ## ##

بازشناسی دانش فرد خطاکار به کمک سیگنال‌های تک ثبت مغزی، مبتنی بر روش غیرخطی منحنی‌های بازگشتی Detection of Guilty Knowledge, Using Single Trial ERPs, and Based on Recurrence plots Nonlinear Method 1 1 در این مطالعه، از روش غیرخطی منحنی‌های بازگشتی به منظور آشکارسازی دانش فرد خطاکار از سیگنال‌های تک ثبت مغزی، استفاده شده است. دادگان مورد استفاده، مربوط به 49 نفر بوده که در آزمون بازشناسی چهره مخفی شده شرکت نمودند. طراحی این آزمون‌ به نحوی صورت گرفته است که در آن آشنا بودن تصویر یک چهره، توسط افراد گناهکار کتمان گردد. بنابراین هدف، بازشناسی چهره مخفی شده توسط این افراد می‌باشد. در مرحله‌ استخراج ویژگی از کمی‌کننده‌های بازگشتی استفاده شده است. طبیعت آشوبگونه‌ی دینامیک مغز و بررسی بستر جذب در فضای فاز، از امور مهمی می‌باشند که توسط این کمی‌کننده‌ها مورد توجه قرار می‌گیرند. بررسی نتایج بدست آمده نشان می‌دهد ظهور مولفه‌ی P300 در افراد گناهکار (که در اثر انکار شناخت نسبت به یک تصویر آشنا ایجاد می‌گردد)، افزایش تعیٌن و پیش‌بینی پذیری در مغز را به همراه دارد و این امر بیانگر کاهش پیچیدگی مغز در این افراد می‌باشد. در ادامه با بکارگیری الگوریتم ژنتیک در مرحله‌ی انتخاب ویژگی، طبقه‌بندی کننده‌ی LDA و روش جدید آستانه‌گذاری متغیر، صحت 89.7 درصد (تشخیص صحیح 45 نفر از 49 نفر) با تلفیق اطلاعات سه کانال Pz ،Cz و Fz حاصل گردید. 2 In this study, Recurrence Plots (RPs) has been adapted as a nonlinear approach in order to detection of guilty subjects’ knowledge based on their single-trial ERPs. The dataset were acquired from 49 human subjects who were participated in a Concealed Information Test (CIT). According to the test protocol, guilty subjects denied their information about familiar faces, so the aim was to detect the concealed faces in these subjects. Recurrence quantifiers were employed in feature extraction stage. Chaotic dynamic of brain’s signals and figuring out the trajectories in phase space are two important issues that can be indicated in these quantifiers. Results demonstrate, that the appearance of P300 signals in guilty subjects (because of denying a familiar face), increase the determinism and predictability of their brain’s signals. Also using Genetic Algorithm (GA) in feature selection level together with Linear Discriminant Analysis (LDA) classifier and a new method named: “inconstant threshold detection”, we achieved an accuracy about 89.7% on combining information of Fz, Cz and Pz channels. 37 48 2013/06/62013/06/62013/06/282013/06/5 1392/3/15 2013/08/252013/08/252013/08/252013/09/17 1392/6/26 امیرحسین مهرنام Amir hossein Mehrnam amir_mehrnam@yahoo.com علی مطیع نصرآبادی Ali Moti Nasr abadi دانشگاه شاهد مهراد قدوسی Mahrad Ghodousi دانشگاه شاهد امین محمدیان Amin Mohamadian دانشگاه امیرکبیر شهلا ترابی Shahla Torabi دانشگاه امیرکبیر Recurrence Plots Nonlinear Method, Guilty Knowledge Test, Single Trial ERPs روش غیرخطی منحنی‌های بازگشتی ، آزمون دانش فرد خطاکار ، سیگنال‌ تک ثبت مغزی ## ##

تشخیص دروغ بر مبنای سیگنال‎های فوتوپلتیسموگراف و مقاومت الکتریکی پوست با استفاده از شبکه‎ی عصبی Lie detector system based on PhotoPlethysmoGraph (PPG) and Galvanic Skin Response (GSR) signals by means of neural network 1 1 هدف این تحقیق طراحی سیستمی جهت تشخیص دروغ است. باررزترین اثر استرس ناشی از دروغ، بر روی سیستم گردش خون و همچنین از طریق تعریق ظاهر می‎شود، از این رو سیگنال‎های هدایت الکتریکی پوست و فوتوپلتیسموگراف برای رسیدن به این هدف مورد استفاده قرار گرفتند. ثبت سیگنال‎‎ها از طریق سیستم پلی‎گرافی و با استفاده از آزمون قیاسی برای 20 مرد انجام شد. پس از ثبت سیگنال‎ها، ویژگی‎هایی در حوزه‎ی زمان و فرکانس از دو سیگنال استخراج شد. با اعمال ویژگی های استخراجی به تفکیک کننده خطی LDA و همچنین شبکه عصبی MLP و Elman دسته بندی داده‎ها در دو حالت راست گو و دروغ گو انجام گردید. بهترین نتایج با استفاده از شبکه عصبی Elman و درصد صحت تفکیک 87 درصد به دست آمد. بنابراین در این مطالعه روش جدیدی بر اساس سیگنال‎هایی با ثبت آسان و هزینه تشخیصی کمتر برای سیستم‎های غربالگری دروغ سنجی ارائه و ارزیابی شده است. 2 The aim of this article is to design a lie detector system using GSR and PPG.The data set was including of photoplethysmograph signals and galvanic skin response record through an inductive test and using classic polygraph device. Thenceforth, features of time and frequency were extracted. Consequently data were classified and accuracy coefficient was calculated by applying these features to linear Discriminant analysis LDA and MLP and Elman neural networks. 20 people participated in the study. The mean age of participants was 36 years. Finally determination of lie was done with accuracy coefficient of 87% by applying Elman neural network. According to the findings, the new method introduced in this study has while offering a more comfortable recording and less diagnostic costs. This new method can be suggested for use as a lie screening system 49 60 2013/06/62013/06/62013/06/282013/06/52013/06/5 1392/3/15 2013/08/252013/08/252013/08/252013/09/172013/08/25 1392/6/3 محمد امین یونسی هروی a.younessi7@gmail.com محمد علی خلیل زاده MOHAMAD ALI KHALILZADEH دانشگاه آزاد اسلامی رسول صرافان RASOOL SARAFAN دانشگاه علوم پزشکی مشهد، بیمارستان امام زمان عج مهدی آذرنوش MAHDI AZARNOOSH دانشگاه آزاد مشهد گروه مهندسی پزشکی Lie Detection, PhotoPlethysmoGraph, Galvanic Skin Response, Neural Network دروغ سنجی، هدایت الکتریکی پوست، فوتوپلتیسموگراف، شبکه عصبی ## ##

فشرده سازی اطلاعات متغیر با زمان با استفاده از کد هافمن Compression time variable information using Huffman code 1 1 چکیده: در این مقاله با استفاده از شبکه عصبی مصنوعی، تابعی بر منحنی چگالی احتمال رشته اطلاعات منطبق نموده ایم و با این کار توانستیم تابع چگالی احتمال رشته اطلاعات را به منظور حافظه دار کردن منحنی چگالی احتمال تقریب بزنیم .از این تابع چگالی احتمال برای استفاده در فشرده سازی اطلاعات با روش هافمن بهره برده ایم . با این تفاوت که در این روش می توان چندین بار از الگوریتم هافمن برای کد کردن رشته اطلاعات استفاده نمود و در هر بار کد کردن تابع چگالی احتمال را تقریب زده و به انتهای رشته مورد نظر اضافه میکنیم . همچنین دو الگوریتم برای کدکردن و دیکد کردن رشته اطلاعات ارائه نموده ایم و درانتها درصد فشرده سازی روش پیشنهادی را با دو روش FDR Code ]4[ وGolomb1 مقایسه نموده ایم 2 Abstract: In this paper, we fit a function on probability density curve representing an information stream using artificial neural network . This methodology result is a specific function which represent a memorize able probability density curve . we then use the resulting function for information compression by Huffman algorithm . the difference between the proposed me then with the general methods is , using the Huffman algorithm in several times . In every time , the probability density function is fitted , estimated and then the information representing the function is added to end of the information stream . we next propose two different algorithms for information encoding and decoding using time variable estimation of probability density function . In order to evaluate the proposed algorithm , the percentage of the compression resulting our method has been compared with two popular methods named FDR code [4] and Golomb1 at the end 61 74 2013/06/62013/06/62013/06/282013/06/52013/06/52013/07/7 1392/4/16 2013/08/252013/08/252013/08/252013/09/172013/08/252013/08/25 1392/6/3 حسن فرسی hfarsi@birjand.ac.ir پوریا اعتضادی فر p.etezadifargmail.com variable time probability density function , neural network , compression information , memorize able information stream, Huffman code تابع چگالی احتمال متغیر با زمان - شبکه عصبی - فشرده سازی اطلاعات - حافظه دار کردن رشته اطلاعات- کد هافمن ## ##